LLM 评测

LLM 评测

基准分数为什么不可复现？UK AISI 与 EvalEval 用共享规范补评测报告的缺口

同一个模型、同一个基准，换一套评测协议或推理预算，分数就可能不一样——这就是评测报告的"不可复现"问题。UK AISI 加入了 EvalEval 的共享基建：用 Every Eval Ever 规范和 Evaluation Cards 公开 5 个基准、6 个前沿模型的验证结果与方法细节。本文完整编译：HLE 随 token 预算变化的曲线、Terminal-Bench 2.0 的跨设置对比，以及参与方式。